CN112988438B - 一种基于流数据多点组合监测分析方法及系统 - Google Patents

一种基于流数据多点组合监测分析方法及系统 Download PDF

Info

Publication number
CN112988438B
CN112988438B CN202110054227.4A CN202110054227A CN112988438B CN 112988438 B CN112988438 B CN 112988438B CN 202110054227 A CN202110054227 A CN 202110054227A CN 112988438 B CN112988438 B CN 112988438B
Authority
CN
China
Prior art keywords
monitoring
early warning
point
service
abnormal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110054227.4A
Other languages
English (en)
Other versions
CN112988438A (zh
Inventor
张才俊
江帆
樊涛
余锦河
张波
戴振龙
程飞飞
朱红林
郭源
焦子荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Nanrui Ruizhong Data Co ltd
State Grid Co ltd Customer Service Center
NARI Group Corp
Original Assignee
CHINA REALTIME DATABASE CO LTD
State Grid Co ltd Customer Service Center
NARI Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHINA REALTIME DATABASE CO LTD, State Grid Co ltd Customer Service Center, NARI Group Corp filed Critical CHINA REALTIME DATABASE CO LTD
Priority to CN202110054227.4A priority Critical patent/CN112988438B/zh
Publication of CN112988438A publication Critical patent/CN112988438A/zh
Application granted granted Critical
Publication of CN112988438B publication Critical patent/CN112988438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24552—Database cache management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24568—Data stream processing; Continuous queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/80—Database-specific techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/548—Queue
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于流数据多点组合监测分析方法及系统，该方法包括如下步骤：使用朴素贝叶斯模型得出的单点监测预警结果；将单点监测预警结果作为已知的当前状态，对Metropolis‑Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率；通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警，并提供一种基于流数据多点组合监测分析系统。本发明的方法及系统缩减了数据获取链路，提高监测数据计算性能、减短计算时间、减轻对oracle数据库的压力，达到数据统计分析实时性的要求，为数据运营专员制定多种场景的个性化分析场景提供有力支撑。

Description

一种基于流数据多点组合监测分析方法及系统
技术领域
本发明涉及一种多点组合监测分析方法及系统，尤其涉及一种基于流数据多点组合监测分析方法及系统。
背景技术
目前网上业务运营实时监测主要从APP业务运营和在线客服现场管控两大模块进行综合监测分析，根据不同监测分析需求设计各业务模块的监测场景，随着业务的不断推广及深化，监测场景覆盖的监测点不断增加，现有的监测运营体系未能完全支撑新增的监测点扩展范围，并且对自动识别预警和可是视化展示完成度尚不够成熟，未达到针对监测数据实时处理等效果，无法有效支撑业务运营工作的开展。
在现有运行的网上业务指标监测技术架构主要采用的是传统关系型数据库、消息队列集群等技术形式的架构体系。系统的监测计算的数据来源是网上APP用户的运行数据，如用户行为日志、用户办电工单等数据。但是，随着网上APP的推广，使用客户数量的激增，监测系统在数据处理能力及维分析上缺乏手段，无法自主识别，自助处理异常监测点数据。
发明内容
发明目的：本发明的第一目的为提供一种缩减了数据获取链路，提高监测数据计算性能、减短计算时间、减轻对oracle数据库的压力的基于流数据多点组合监测分析方法，本发明的第二目的为提供一种基于流数据多点组合监测分析系统。
技术方案：本发明的基于流数据多点组合监测分析方法，包括如下步骤：
(1)使用朴素贝叶斯模型得出的单点监测预警结果；
(2)将单点监测预警结果作为已知的当前状态xt，对Metropolis-Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率；
(3)通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警。
进一步地，步骤(1)具体包括如下步骤：
(a)根据贝叶斯定理确定核心业务异常和某监测对象异常之间的关系；
(b)对单点或人员在异常时的对该单点或人员对应的核心业务异常进行分类；
(c)使用最大后验概率估计单点或人员在异常时的对该单点或人员对应的核心业务异常概率，得到单点监测预警结果。
步骤(a)中，核心业务异常和某监测对象异常之间的关系表达式如下：
Figure BDA0002900071150000021
其中，y为核心业务异常集合，从x1到xn为某监测对象集合，n为监测对象故障变量，P(y|x1，…xn)为监测对象故障发生后核心业务异常发生的概率，P(y)为核心业务异常发生的概率，P(xi|y)为核心业务异常发生后监测对象故障的发生概率，P(xi，...，xn)为一个已知的常量集合。
步骤(b)中，分类规则如下：
Figure BDA0002900071150000022
步骤(c)中，使用最大后验概率来估计P(y)和P(xi|y)，得到单点或人员在异常时的对该单点或人员对应的核心业务异常概率，从而得到单点监测预警结果。
步骤(2)中，在Metropolis-Hasting算法中，使用非对称函数。
非对称函数T满足T(x，y)＞0的充要条件是T(y，x)＞0，其中，x为监测对象，y为核心业务异常集合。
充要条件为业务停顿的发生存在一种情况，并且业务停顿的前提是某一IT基础设施、业务系统、服务、人员调配发生了故障或异常预警。
步骤(2)中，迭代具体包括如下步骤：
(a)从历史数据中抽取已知的业务停顿和某一业务异常关系的非对称函数T(xt，y)，抽取核心业务异常事件作为“1”，然后进行迭代：
(b)在[0,1]的均匀分布中抽取一个随机数ut，同时获取一个新的业务异常关系xt+1＝y；
(c)如果ut满足下面公式：
Figure BDA0002900071150000023
那么就得到了一个基准值ut，然后在[ut，1]之间继续抽取一个随机数重复上述计算过程，最终不满足
Figure BDA0002900071150000031
的值即是多层级联合监测预警计算出的业务系统停顿概率；
如果第一次ut的取值不满足
Figure BDA0002900071150000032
那么重新在[0,ut]之间重新抽取随机数ui进行计算，直到ui满足上述公式，将ui作为基准值进行迭代。
本发明的基于流数据多点组合监测分析系统，包括单点监测模块、多层级联合监测模块和预警模块，单点监测模块用于使用朴素贝叶斯模型得出的单点监测预警结果，多层级联合监测模块用于将单点监测预警结果作为已知的当前状态xt，对Metropolis-Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率，预警模块通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警。
业务运营数据实时监测系统架构设计引入大数据的生态圈，形成以分布式流式处理技术、分布式缓存、分布式消息队列为核心的架构形态，在保证数据实时处理的同时，提供以多事件组合形式处理的总体架构，具体见图1。
按照“流计算流处理”设计思路，构建稳定的基于事件触发处理的架构，实现“网上”业务运营数据实时监测分析，实时流处理在保证数据处理的时效性、顺序性的前提下，保持全流程数据触发事件处理的唯一性，实现实时的问题精准定位，具体见图2。
有益效果：与现有技术相比，本发明具有如下显著优点：基于流数据多点组合监测分析方法及系统不仅在数据实时处理能力上有很好的体现，对监测场景设置上体现了很好的扩展性，该架构下目前实时处理指标3441项，测点740万余，处理频率5秒/次，在目前实时监测系统架构体系中实现了数据在线处理、监测对象多点自定义组合监测模式，提高的数据处理分析能力，提升了后台数据运营能力，进一步提高的数据管理水平。
附图说明
图1为本发明的总体技术架构图；
图2为本发明的数据流向技术实现图；
图3为本发明的业务实时监测全景图；
图4为本发明的业务实时监测预警图。
具体实施方式
下面结合实施例对本发明的技术方案作进一步说明。
如图3-图4所示，业务运营数据实时监测系统采用J2EE框架设计和开发，监测预警的算法采用Python语言实现，系统采用Jython包调用Python的.py文件。监测信息的获取都由Java程序实现，监测指标及人员等的异常概率由Python进行计算，并将计算结果返回给Java程序，由Java程序进行概率和阈值的比较，进而给出预警信息。
本发明的基于流数据多点组合监测分析方法，包括如下步骤：
(1)使用朴素贝叶斯模型得出的单点监测预警结果；
(2)将单点监测预警结果作为已知的当前状态xt，对Metropolis-Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率；
(3)通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警。
进一步地，步骤(1)具体包括如下步骤：
(a)根据贝叶斯定理确定核心业务异常和某监测对象异常之间的关系；
(b)对单点或人员在异常时的对该单点或人员对应的核心业务异常进行分类；
(c)使用最大后验概率估计单点或人员在异常时的对该单点或人员对应的核心业务异常概率，得到单点监测预警结果。
步骤(a)中，核心业务异常和某监测对象异常之间的关系表达式如下：
Figure BDA0002900071150000041
其中，y为核心业务异常集合，从x1到xn为某监测对象集合，n为监测对象故障变量，P(y|x1，...，xn)为监测对象故障发生后核心业务异常发生的概率，P(y)为核心业务异常发生的概率，P(xi|y)为核心业务异常发生后监测对象故障的发生概率，P(xi，...，xn)为一个已知的常量集合。
步骤(b)中，分类规则如下：
Figure BDA0002900071150000042
步骤(c)中，使用最大后验概率来估计P(y)和P(xi|y)，得到单点或人员在异常时的对该单点或人员对应的核心业务异常概率，从而得到单点监测预警结果。
步骤(2)中，在Metropolis-Hasting算法中，存在一个非对称函数T。
T满足T(x，y)＞0的充要条件是T(y，x)＞0，其中，x为监测对象，y为核心业务异常集合。
充要条件为业务停顿的发生存在一种情况，并且业务停顿的前提是某一IT基础设施、业务系统、服务、人员调配发生了故障或异常预警。
步骤(2)中，迭代具体包括如下步骤：
(a)从历史数据中抽取已知的业务停顿和某一异常的关系T(xt，y)，抽取核心业务异常事件作为“1”，然后进行迭代：
(b)在[0,1]的均匀分布中抽取一个随机数ut，同时获取一个新的业务异常关系xt+1＝y；
(c)如果ut满足下面公式：
Figure BDA0002900071150000051
那么就得到了一个基准值ut，然后在[ut，1]之间继续抽取一个随机数重复上述计算过程，最终不满足
Figure BDA0002900071150000052
的值即是多层级联合监测预警计算出的业务系统停顿概率；
如果第一次ut的取值不满足
Figure BDA0002900071150000053
那么重新在[0,ut]之间重新抽取随机数ui进行计算，直到ui满足上述公式，将ui作为基准值进行迭代。
本发明的基于流数据多点组合监测分析系统，包括单点监测模块、多层级联合监测模块和预警模块，单点监测模块用于使用朴素贝叶斯模型得出的单点监测预警结果，多层级联合监测模块用于将单点监测预警结果作为已知的当前状态xt，对Metropolis-Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率，预警模块通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警。

Claims (9)

1.一种基于流数据多点组合监测分析方法，其特征在于，包括如下步骤：
(1)使用朴素贝叶斯模型得出的单点监测预警结果；
(2)将单点监测预警结果作为已知的当前状态xt，对Metropolis-Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率；
(3)通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警；
步骤(1)具体包括如下步骤：
(a)根据贝叶斯定理确定核心业务异常和某监测对象异常之间的关系；
(b)对单点或人员在异常时的对该单点或人员对应的核心业务异常进行分类；
(c)使用最大后验概率估计单点或人员在异常时的对该单点或人员对应的核心业务异常概率，得到单点监测预警结果。
2.根据权利要求1所述的基于流数据多点组合监测分析方法，其特征在于，步骤(a)中，所述核心业务异常和某监测对象异常之间的关系表达式如下：
Figure FDA0003730061380000011
其中，y为核心业务异常集合，从x1到xn为某监测对象集合，n为监测对象故障变量，
Figure FDA0003730061380000012
为监测对象故障发生后核心业务异常发生的概率，
Figure FDA0003730061380000013
为核心业务异常发生的概率，
Figure FDA0003730061380000014
为核心业务异常发生后监测对象故障的发生概率，
Figure FDA0003730061380000015
为一个已知的常量集合。
3.根据权利要求2所述的基于流数据多点组合监测分析方法，其特征在于，步骤(b)中，所述分类规则如下：
Figure FDA0003730061380000016
4.根据权利要求3所述的基于流数据多点组合监测分析方法，其特征在于，步骤(c)中，使用最大后验概率来估计P(y)和P(xi|y)，得到单点或人员在异常时的对该单点或人员对应的核心业务异常概率，从而得到单点监测预警结果。
5.根据权利要求1所述的基于流数据多点组合监测分析方法，其特征在于，步骤(2)中，在Metropolis-Hasting算法中，使用非对称函数。
6.根据权利要求5所述的基于流数据多点组合监测分析方法，其特征在于：所述非对称函数T满足T(x,y)＞0的充要条件是T(y,x)＞0，其中，x为监测对象，y为核心业务异常集合。
7.根据权利要求6所述的基于流数据多点组合监测分析方法，其特征在于：所述充要条件具体为业务停顿，IT基础设施、业务系统、服务、人员调配发生了故障或异常预警。
8.根据权利要求6所述的基于流数据多点组合监测分析方法，其特征在于，步骤(2)中，所述迭代具体包括如下步骤：
(a)从历史数据中抽取已知的业务停顿和某一业务异常关系的非对称函数T(xt,y)，抽取核心业务异常事件作为“1”，然后进行迭代：
(b)在[0,1]的均匀分布中抽取一个随机数ut，同时获取一个新的业务异常关系xt+1＝y；
(c)如果ut满足下面公式：
Figure FDA0003730061380000021
那么就得到了一个基准值ut，然后在[ut,1]之间继续抽取一个随机数重复上述计算过程，最终不满足
Figure FDA0003730061380000022
的值即是多层级联合监测预警计算出的业务系统停顿概率；
如果第一次ut的取值不满足
Figure FDA0003730061380000023
那么重新在[0,ut]之间重新抽取随机数ui进行计算，直到ui满足上述公式，将ui作为基准值进行迭代。
9.一种基于流数据多点组合监测分析系统，其特征在于：包括单点监测模块、多层级联合监测模块和预警模块，所述单点监测模块用于使用朴素贝叶斯模型得出的单点监测预警结果，所述多层级联合监测模块用于将单点监测预警结果作为已知的当前状态xt，对Metropolis-Hasting算法进行迭代，得到多层级联合监测预警计算出的业务系统停顿概率，所述预警模块通过计算得出的多层级联合监测预警计算出的核心业务异常概率，与业务监测系统中设定的阈值进行比较来决定是否进行预警；
所述单点监测模块使用朴素贝叶斯模型得出的单点监测预警结果的具体步骤为：
(a)根据贝叶斯定理确定核心业务异常和某监测对象异常之间的关系；
(b)对单点或人员在异常时的对该单点或人员对应的核心业务异常进行分类；
(c)使用最大后验概率估计单点或人员在异常时的对该单点或人员对应的核心业务异常概率，得到单点监测预警结果。
CN202110054227.4A 2021-01-15 2021-01-15 一种基于流数据多点组合监测分析方法及系统 Active CN112988438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110054227.4A CN112988438B (zh) 2021-01-15 2021-01-15 一种基于流数据多点组合监测分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110054227.4A CN112988438B (zh) 2021-01-15 2021-01-15 一种基于流数据多点组合监测分析方法及系统

Publications (2)

Publication Number Publication Date
CN112988438A CN112988438A (zh) 2021-06-18
CN112988438B true CN112988438B (zh) 2022-09-09

Family

ID=76344386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110054227.4A Active CN112988438B (zh) 2021-01-15 2021-01-15 一种基于流数据多点组合监测分析方法及系统

Country Status (1)

Country Link
CN (1) CN112988438B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106990328A (zh) * 2017-05-16 2017-07-28 国网山东省电力公司 配网抢修异常数据分析、故障定位系统及方法
CN110175788A (zh) * 2019-05-31 2019-08-27 国网上海市电力公司 一种智慧城市能源云平台
CN111985561A (zh) * 2020-08-19 2020-11-24 安徽蓝杰鑫信息科技有限公司 一种智能电表的故障诊断方法、系统及电子装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706587B (zh) * 2009-11-24 2012-06-27 中南大学 一种电法勘探激电模型参数的提取方法
CN105180938B (zh) * 2015-06-03 2018-02-02 北京理工大学 一种基于粒子滤波的重力采样矢量匹配定位方法
CN107483251B (zh) * 2017-08-22 2020-02-21 国网辽宁省电力有限公司辽阳供电公司 一种基于分布式探针监测的网络业务异常侦测方法
US10536344B2 (en) * 2018-06-04 2020-01-14 Cisco Technology, Inc. Privacy-aware model generation for hybrid machine learning systems
CN111651933B (zh) * 2020-05-22 2023-09-26 宁波诺丁汉新材料研究院有限公司 基于统计推断的工业锅炉故障预警方法及系统
CN112116200B (zh) * 2020-08-10 2023-07-21 郑州大学 基于动态比例代换和层次贝叶斯的缺灾情资料城市洪灾损失函数的构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106990328A (zh) * 2017-05-16 2017-07-28 国网山东省电力公司 配网抢修异常数据分析、故障定位系统及方法
CN110175788A (zh) * 2019-05-31 2019-08-27 国网上海市电力公司 一种智慧城市能源云平台
CN111985561A (zh) * 2020-08-19 2020-11-24 安徽蓝杰鑫信息科技有限公司 一种智能电表的故障诊断方法、系统及电子装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
税务平台的健康监测分析系统设计与实现;郭嘉;《现代信息科技》;20191225(第24期);全文 *

Also Published As

Publication number Publication date
CN112988438A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
CN109597836B (zh) 一种基于加权矩阵的通信设备告警关联规则挖掘方法
CN101997709B (zh) 一种根告警数据分析的方法及其系统
CN109491339B (zh) 一种基于大数据的变电站设备运行状态预警系统
CN115454778B (zh) 大规模云网络环境下的时序指标异常智能监控系统
CN113591393B (zh) 智能变电站的故障诊断方法、装置、设备和存储介质
CN115186883A (zh) 基于边云协同计算的工业设备健康状态监测系统及方法
TWI684139B (zh) 基於自動學習的基地台異常之預測的系統與方法
CN116049146B (zh) 一种数据库故障处理方法、装置、设备及存储介质
CN111767195A (zh) 一种告警信息智能降噪的处理方法
CN109711664B (zh) 一种基于大数据的输变电设备健康评估系统
CN113592343A (zh) 二次系统的故障诊断方法、装置、设备和存储介质
CN115033463B (zh) 一种系统异常类型确定方法、装置、设备和存储介质
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN114866396B (zh) 基于文本相似度的实现资源不准下网络故障定位的方法
CN114676791A (zh) 一种基于模糊证据推理的电力系统告警信息处理方法
CN111581056A (zh) 基于人工智能的软件工程数据库维护与预警系统
CN118101421B (zh) 一种基于机器学习的智能告警阈值自适应方法
CN112988438B (zh) 一种基于流数据多点组合监测分析方法及系统
CN114841598A (zh) 针对操作风险的决策方法、装置、设备和程序产品
CN114881167A (zh) 异常检测方法、装置、电子设备和介质
CN117009181A (zh) 异常日志的处理方法、存储介质与设备
CN116668264A (zh) 一种告警聚类的根因分析方法、装置、设备及存储介质
KR101869490B1 (ko) 스트리밍 데이터 처리시스템의 이상동작 분석 장치 및 그 방법
CN115600607A (zh) 一种日志检测方法、装置、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 300309 North Park of State Grid customer service center, Lihu Ring Road, Dongli District, Tianjin

Patentee after: STATE GRID Co.,Ltd. CUSTOMER SERVICE CENTER

Country or region after: China

Patentee after: Nanjing Nanrui Ruizhong Data Co.,Ltd.

Country or region after: China

Patentee after: NARI Group Corp.

Address before: 300309 North Park of State Grid customer service center, Lihu Ring Road, Dongli District, Tianjin

Patentee before: STATE GRID Co.,Ltd. CUSTOMER SERVICE CENTER

Country or region before: China

Patentee before: CHINA REALTIME DATABASE Co.,Ltd.

Patentee before: NARI Group Corp.

CP03 Change of name, title or address